新人 免费注册,送 10 次调用,最高 $1,免绑卡。

GPT Realtime

发布于 2025-08-28

邀请测试

GPT Realtime 是 OpenAI 首个正式发布(GA)的实时模型:一款语音对语音(speech-to-speech)模型,由单一模型直接听懂语音并以自然、富有表现力的音频作答,无需串联独立的转写与合成模型。

输入
音频 文本 $4/M
输出
音频 文本 $16/M
音频输入
$32/M
音频输出
$64/M
缓存读取
$0.4/M
知识截止
2023-10

Benchmark 成绩

GPT Realtime:公布了 8 项,但没有一项是足够多的其他模型也测过的,无法比较。

GPT Realtime 其他被测模型 同侪均值 无人分数更高
AMI near+far field (WER)
35.9%
Big Bench Audio
82.8%
BFCL v3 (single-turn, python only)
80.4%

厂商公布: Amazon OpenAI

价格在同类中的位置

价格在 6 个同类模型中的位置

输入$4/M
$0.06 · nova-2-sonic GPT Realtime · $4
输出$16/M
$0.24 · nova-2-sonic GPT Realtime 2.1 · $24
缓存读取$0.4/M
$0.06 · GPT Realtime 2.1 Mini GPT Realtime · $0.4

这条线显示该模型的价格,在 Synthorai 上同类模型里处于什么位置。两端标出了最便宜和最贵的那个。这里是基础价,批量、区域和缓存写入的折扣见价格页。

规格与限制

Token

上下文窗口(厂商规格) 32,000
最大输出(厂商规格) 4,096
知识截止 2023-10

提示词缓存

缓存方式 自动
最低前缀 1,024
存活时间 5–10 分钟,最长 1 小时

实时语音

会话能力 基于 WebSocket 的原生语音到语音 · 函数调用 · 32K 上下文

模型

模态 音频 + 文本 → 音频 + 文本
  • OpenAI 首个正式发布的实时模型(快照 gpt-realtime-2025-08-28):原生语音到语音,支持函数调用
  • 32k 上下文

依据 OpenAI 官方文档 ↗

30 秒用上 GPT Realtime

兼容 OpenAI Realtime:通过 WebSocket 连接,音频进、音频出。WS /v1/realtime

import asyncio, base64, json, websockets

URL = "wss://synthorai.io/v1/realtime?model=gpt-realtime"
# Send ONLY the Authorization header - the beta protocol is retired.
HEADERS = {"Authorization": "Bearer sk-syn-..."}

async def main():
    async with websockets.connect(URL, additional_headers=HEADERS) as ws:
        # 1) configure the speech-to-speech session
        await ws.send(json.dumps({
            "type": "session.update",
            "session": {
                "type": "realtime",
                "output_modalities": ["audio"],
                "audio": {"output": {"voice": "alloy"}},
            },
        }))
        # 2) send input audio (base64 PCM16), then request a spoken reply
        await ws.send(json.dumps({"type": "input_audio_buffer.append", "audio": pcm16_b64}))
        await ws.send(json.dumps({"type": "input_audio_buffer.commit"}))
        await ws.send(json.dumps({"type": "response.create"}))
        # 3) stream the model's audio (and text) back
        async for raw in ws:
            ev = json.loads(raw)
            if ev["type"] == "response.audio.delta":
                play(base64.b64decode(ev["delta"]))   # audio out
            elif ev["type"] == "response.done":
                break

asyncio.run(main())

关于 GPT Realtime

  • 它提供 32K token 上下文窗口和 4,096 最大输出 token,支持面向语音智能体工作流的函数调用,接受音频或文本输入并输出音频与文本;音频与文本按各自的 token 单价计费,缓存输入享折扣。
  • 会话可通过 WebRTC 驱动浏览器和移动端客户端,在服务端已持有音频流时走 WebSocket,或为电话智能体走 SIP,由服务端语音活动检测切分语音,并在来电者打断时截断尚未播放的音频。
  • 模型页还在文本和音频之外列出了图像输入,音色按会话从 OpenAI 公布的集合中选择,但需注意会话一旦发出音频就无法再更换音色。
  • 它没有推理力度控制(该能力随 2.1 一代到来),知识截止为 2023 年 10 月。
  • OpenAI 此后已宣布其弃用,关停定于 2027 年 1 月,并指定 GPT Realtime 2.1 为迁移目标,因此新的语音工作应放在 2.1 上,而既有集成仍有缓冲期。
  • 作为实时家族最初的 GA 快照,它持续可用。
  • Synthorai 通过 OpenAI 兼容的 /v1/realtime WebSocket 端点提供 GPT Realtime,官方 Realtime SDK 客户端无需修改即可接入。

常见问题

GPT Realtime API 可以免费试用吗?

GPT Realtime 目前处于邀请测试阶段:需申请开通,而非开放注册。在 Synthorai 控制台提交申请,通过后即按标准量付费计费,无需订阅。

GPT Realtime 最擅长什么?

单模型语音对语音,无转写链路、自然富表现力音频,支持函数调用、实时家族最初的 GA 快照。完整能力请见「关于」部分,内容取自厂商官方发布说明。

GPT Realtime 的价格是多少?

在 Synthorai 上,GPT Realtime 输入 $4/百万 token、输出 $16/百万 token,即厂商牌价,无平台加价。缓存命中的输入 token 按 $0.4/M 计费。

如何调用 GPT Realtime API?

GPT Realtime 是语音对话(speech-to-speech)模型:通过 WebSocket 连接 wss://synthorai.io/v1/realtime?model=gpt-realtime,用 OpenAI Realtime SDK(或原生 WebSocket)即可,音频输入、音频输出。它不是 POST /v1/audio/transcriptions 文件上传接口。用你的 sk-syn key 鉴权,只发 Authorization 头(beta 协议已下线)。

如何开通 GPT Realtime?

GPT Realtime 处于邀请测试阶段:在 Synthorai 控制台申请开通。审批通过后与其他模型用法一致:把 OpenAI SDK 的 base_url 指向 "https://synthorai.io/v1",model 设为 "gpt-realtime" 即可。

相关模型

对比

本页每个值都转录自厂商自己的文档(链接见上),并带有核对日期。价格在全目录范围内比较;各厂商定义不同的规格值,只说明差异而不作图表对比。此处没有任何由我们测量的数据,也不做评分。

获取 API 密钥 算算你的成本 →